Машинное обучение и анализ данных для ученых
Освой современные методы анализа больших объемов биологических данных,
таких как геномные последовательности, численные закономерности, белок-белковые взаимодействия и текстовые публикации
таких как геномные последовательности, численные закономерности, белок-белковые взаимодействия и текстовые публикации
Формат: живые эфиры
Срок обучения: 1 месяц
Дарим туториал по Jupyter и Conda перед консультацией
Старт: 26 октября 2024
/
Зачем биоинформатику машинное обучение?
Разрабатывать новые методы диагностики, прогнозировать течение заболеваний и анализировать биологические процессы. Этот курс предоставляет как фундаментальные знания, так и практические навыки, необходимые для применения машинного обучения в биологии.
Современные биологические исследования генерируют огромные объемы данных, таких как геномные последовательности, численные закономерности, белок-белковые взаимодействия. Машинное обучение и статистика помогают эффективно анализировать и интерпретировать эти данные.
Алгоритмы машинного обучения могут выявлять сложные, нелинейные зависимости и закономерности в биологических данных, которые не очевидны при использовании традиционных методов.
Модели машинного обучения используются для анализа и прогнозирования биологических процессов, таких как экспрессия генов и взаимодействие белков, а также для разработки новых методов диагностики заболеваний и персонализированной медицины.
Машинное обучение позволяет автоматизировать многие рутинные задачи анализа данных, что существенно экономит время и ресурсы исследователей.
/
основные темы курса
Основы Python и инструменты исследователя
Обработка данных
и визуализация
с использованием NumPy и Pandas
и визуализация
с использованием NumPy и Pandas
Проектирование и оценка моделей
Введение
в машинное обучение и Scikit-learn
в машинное обучение и Scikit-learn
Работа с биологическими последовательностями
и использование предобученных моделей
и использование предобученных моделей
Классические методы машинного обучения, такие как SVM и деревья решений
Продвинутые модели, такие как Bert, AlphaFold и ProteinMPNN
Курс подходит для начинающих и тех, кто уже имеет некоторый опыт в области анализа данных. Курс поможет понять, как применять различные алгоритмы машинного обучения для решения практических биологических задач и улучшения качества исследований.
Биологи
Медики
Специалисты смежных областей
Для кого
/
Какие технологии будем использовать во время обучения?
Python
NumPy
Pandas
Matplotlib
Seaborn
Scikit-Learn
XGBoost
Pytorch
Transformers
/
Твои возможности
после обучения
после обучения
Понимать
и использовать основные конструкции и синтаксис Python
и использовать основные конструкции и синтаксис Python
Работать с биологическими данными, используя массивы и таблицы данных в NumPy и Pandas
Применять основные алгоритмы машинного обучения
с использо-ванием Scikit-learn
для биологи-ческих задач
с использо-ванием Scikit-learn
для биологи-ческих задач
Оценивать качество моделей
и выбирать оптимальные параметры для биологических данных
и выбирать оптимальные параметры для биологических данных
Визуализировать биологические данные
с помощью Matplotlib и Seaborn
с помощью Matplotlib и Seaborn
Работать с классическими моделями, такими как SVM и деревья решений,
для анализа биологических данных
для анализа биологических данных
Реализовывать методы ансамблирования для улучшения моделей на биологических данных
Использовать предобученные модели для анализа биологических
1
2
3
4
5
6
7
8
последователь-ностей и прог- нозирования их свойств
/
Программа курса
Лекция (2 часа):
Язык Python
Самостоятельные задания (2 часа)
Разбор самостоятельного задания (1 час)
Язык Python
- Переменные: типы, массивы, словари
- Циклы
- Функции
- Системные библиотеки
- Работа с файлами
- Примеры из биологии
- Командная строка. Conda
- Jupyter Lab
- Colab
Самостоятельные задания (2 часа)
Разбор самостоятельного задания (1 час)
Лекция (2 часа):
Что такое ML?
Что такое ML?
- Примеры из биологии
- indexing
- арифметические операции с массивами
- Операции чтения и записи табличных данных
- Операции с DataFrame
- Обзорный анализ данных
- Введение в Matplotlib и Seaborn
- Основные типы графиков (гистограммы, scatterplot, boxplot)
- Работа с массивами NumPy: создание, индексация, операции
- Введение в Pandas: создание Series и DataFrame, базовые операции
- Примеры загрузки и очистки данных
- Создание основных графиков с использованием Matplotlib и Seaborn
- Решение задач на базовые операции с NumPy
- Работа с DataFrame в Pandas: чтение данных, базовые манипуляции (фильтрация, группировка)
- Загрузка, очистка и предварительная обработка данных
- Визуализация данных: создание различных графиков для анализа данных
Лекция (2 часа):
Основные концепции машинного обучения
Основные концепции машинного обучения
- Обучением с учителем
- Метрики оценки моделей
- Подготовка данных
- Простые модели (линейная регрессия, KNN classificator)
- Подготовка данных для модели машинного обучения
- Использование моделей из Scikit-learn
- Визуализация результатов и разбор метрик на примере обученных моделей
- KNN при разных K.
- Подготовка собственного набора данных
- Построение и оценка моделей
Лекция (2 часа):
- SVM (без глубокого разбора kernel trick)
- Деревья решений и случайные леса
- Методы ансамблирования (Bagging, Boosting)
- Реализация деревьев решений и случайных лесов
- Реализация наивного байесовского классификатора
- Примеры использования методов ансамблирования
- Реализация моделей дерева решений и случайных лесов для собственного набора данных
- Реализация K-ближайших соседей и наивного байесовского классификатора
- Использование методов ансамблирования для улучшения моделей
Лекция (2 часа):
- Кросс-валидация.
- Оценка и выбор моделей.
- HPO моделей.
- Примеры использования кросс-валидации
- Оценка моделей и их улучшение
- Примеры гиперпараметрической настройки моделей
- Оценка моделей с использованием кросс-валидации
- Улучшение моделей на основе результатов оценки
- Настройка гиперпараметров для улучшения моделей
Лекция (2 часа):
Самостоятельные задания (2 часа):
- Работа с последовательностями. Bag-of-Words, K-mers
- Использование предобученных моделей
- ProtBERT-like модели
- Кратко об AlphaFold
- Кратко о ProteinMPNN
Самостоятельные задания (2 часа):
- ColabFold
- ProteinMPNN
- Предсказания на готовых эмбеддингах
/
РАСПИСАНИЕ
26 октября (суббота):
10.00-18.00
27 октября (воскресенье):
10.00-18.00
02 ноября (суббота):
10.00-18.00
03 ноября (воскресенье):
10.00-18.00
16 ноября (суббота):
10.00-18.00
17 ноября (воскресенье):
10.00-18.00
/
Преподаватели
Лектор, МФТИ
Курсы “Машинное обучение в биологии” и “Глубокое обучение в биологии”. Факультет биоинженерии и биоинформатики МГУ, 2023, специалитет
Комментарий спикера: Курс поможет вам понять основы машинного обучения и научит применять их в биологии, чтобы эффективно анализировать данные. Вы получите практические навыки, которые пригодятся для работы
с реальными биологическими задачами и инструментами.
Курсы “Машинное обучение в биологии” и “Глубокое обучение в биологии”. Факультет биоинженерии и биоинформатики МГУ, 2023, специалитет
Комментарий спикера: Курс поможет вам понять основы машинного обучения и научит применять их в биологии, чтобы эффективно анализировать данные. Вы получите практические навыки, которые пригодятся для работы
с реальными биологическими задачами и инструментами.
Бушмакин
Илья
Айгинин Андрей
2019-2022 – Заместитель руководителя Лаборатории биомедицинских и цифровых технологий (МФТИ)
Заместитель руководителя проекта «Разработка новых препаратов и прогнозирование их свойств с использованием технологий ИИ»
2017-2022 – Генеральный директор и основатель SDA Labs
Получены инвестиции от фонда TealTech Capital. Разработана база данных и система для оценки лекарств по безопасности и эффективности с использованием доказательного подхода.
Автоматический анализ данных из научных статей и открытых баз данных (включая ChEMBL, FAERS, zakupki.gov.ru) и для ChemDiv.
2017-2018 – Биоинформатик в Центральном научно-исследовательском институте эпидемиологии Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека России
Анализ данных NGS, разработка пайплайнов, анализ мутаций BRCA1/2. Анализ данных метабаркодирования NGS
2014-2018 – Исследователь в Лаборатории медицинской химии и биоинформатики (МФТИ)
Проектирование фокусированных и таргетных библиотек малых молекул, CADD, разработка лекарств, анализ QSAR/QSPR, разработка моделей машинного обучения для прогнозирования биологической активности и физических и химических свойств малых молекул.
Лектор и организатор курсов в biomedschool
Бушмакин Илья
2020-2023 - Научный сотрудник, ФАРМПРЕДИКТ
Разработка моделей для анализа интерактомов, предсказание эффективности и безопасности новых лекарств, разработка пайплайнов для извлечения данных из медицинских текстов.
2018-2023 - Исследователь, Отдел молекулярной энергетики микроорганизмов, НИИ ФХБ
Исследование эволюции белков-переносчиков натрия, анализ распределения переносчиков среди разных групп организмов, поиск новых транспортеров методами машинного обучения.
Что входит в курс?
модулей
ПРОГРАММА
доступ к программе
1 год
СЕРТИФИКАТ
вопрос-ответ
с преподавателями
с преподавателями
ОНЛАЙН ВСТРЕЧИ
/
ТАРИФЫ
Для
лиц
лиц
Для
лиц
лиц
физических
юридических
51 000
₽/мес.
40 000
₽/мес.
*есть рассрочка
На курсе вы получите
01
Пошаговые видео-уроки + конспекты
На всех уроках будет запись. Даже если вы пропустите урок, то сможете просмотреть его в записи.
02
Поддержка
По всем организационным вопросам связанным
с обучением вам помогают
с обучением вам помогают
03
Получаете сертификат
о прохождении курса
о прохождении курса
После окончания обучения вы получаете сертификат от школы biomedschool.
/
Часто задаваемые вопросы
- Да, курс подойдет и для новичков в программировании
- Прямые эфиры будут проходить раз в неделю.Всю неделю преподаватели будут на связи и можно задать интересующие вопросы в общий чат. Будут представлены задания на неделю
- Да, есть возможность совмещать с работой
- В будние дни вечером или в выходной день днем
Машинное обучение и анализ данных для ученых
Освой современные методы анализа больших объемов биологических данных,
такие как геномные последовательности, численные закономерности, белок-белковые взаимодействия и текстовые публикации
такие как геномные последовательности, численные закономерности, белок-белковые взаимодействия и текстовые публикации
Формат: живые эфиры
Срок обучения: 1,5 месяца
Дарим туториал по Jupyter и Conda перед консультацией
Старт: 26 октября 2024
Записаться на курс
для прохождения курса вам необходимо заполнить заявку на участие,
с вами свяжется менеджер
с вами свяжется менеджер
Мы используем cookie файлы, как и большинство сайтов в интернете. Гарантируем сохранность ваших персональных данных из оформленных заявок.